PyTorch和TensorFlow哪個更好？看一線開發者怎么說
Theano、TensorFlow、Torch、MXNet 再到近日比較熱門的 PyTorch 等等，深度學習框架之間的比較一直以來都是非常受人關注的熱點話題。不過你知道用戶實際用起來的感覺怎么樣嗎？近日，Reddit 用戶 cjmcmurtrie 發了一個主題為「PyTorch vs. TensorFlow」的討論帖，想要了解這兩大流行的框架之間各自有什么優勢。
帖子一樓寫道：
我還沒有從 Torch7 遷移到 TensorFlow。我玩過 TensorFlow，但我發現 Torch7 更加直觀（也許是我玩得不夠？）。我也嘗試了一點 PyTorch，所以我決定先看看效果。
使用了幾周 PyTorch 之后，我認為我現在還不必遷移到 TensorFlow，至少在我感興趣的項目上還不需要。用 PyTorch 寫自定義模塊真是簡單至極。而且其動態圖構建（dynamic graph construction）給我之前需要熬夜實現（或等待列表上）的東西帶來了很多新想法。我認為對機器學習開發者來說，PyTorch 是一個了不起的工具集。我也知道 TensorFlow 的社區資源要強大得多，但如果要開發全新的項目（而不是為已有的架構重新寫代碼或閱讀教程），社區也不一定能有很大的幫助。
這個 Reddit 帖子發出后得到了很多機器學習研究者和開發者的關注，他們紛紛跟貼談論自己的想法和經驗（不只是關于 PyTorch 和 TensorFlow，討論中還涉及到更多工具）。
下文為我們提煉的一些觀點，原帖請看：https://redd.it/5w3q74
TensorFlow
優勢：
-
等效的圖形編譯（graph compilation）要快得多；我們用了幾秒而不是幾分鐘。但是它仍然不夠快，如果我們想要將它的大部分添加到我們的 CI 套件（CI suite），但我們不需要等待很長時間來開始訓練。
-
從 Lasagne 轉到 TensorFlow 之后，我喜歡 tf.layers 和 tf.contrib.layers 中更高層次的功能；它們為接受張量（tensor）并返回張量的功能性 API，因此更容易與「原始」的 TensorFlow 集成。我們可以做普通的張量操作，而不用寫一個層那么麻煩。
-
在我們使用的模型上，TensorFlow 的速度稍稍快于 Theano（20％-30％）。當***次使用時，我們看到大致相同的性能，并認為這可以接受，但然后我們閱讀 TensorFlow 的性能指南（https://www.tensorflow.org/performance/performance_guide），并切換到 NCHW 并融入批處理規范（batch norm），然后一切運行得更快了。我猜 Theano 本身就不是很快……
-
關于開發人員的反饋速度：我曾在 TF 的問題區提出了一些微不足道的問題，但 TF 開發人員通常在一兩天內就回復我了。
-
此外，工具是相當好的。TensorBoard 絕對好用，用來表示的時間線（timeline）/跟蹤（trace）的工具也一樣好用。但是我還沒有嘗試新加入的 tfdbg。
-
TensorFlow 在設計時就考慮到了分布式，所以如果你需要運行真正的大規模項目，TensorFlow 多半是***的。
缺點：
-
TensorFlow 的 API 非常荒謬，它在每個階段都會重新發明輪子，并且要求開發者學習很多本不必要的新概念。然而，開發者峰會表示這一境況正在改善——而且同時使用 TensorFlow Servin 和 Cloud ML 會提高你的生產力。
-
在實踐中部署到 iOS 非常困難。
-
我并沒有在 Keras 或者 Tensorflow 上工作，但是我看過他們的「問題」日志和一些用戶組，只是因為大量的用戶，這些框架看起來并不會得到這種個人的關注。
PyTorch
優勢：
-
它屬于輕量級；
-
它目前位于 Python 中；
-
它使你能夠明確地控制計算。沒有編譯器能自己妄圖變聰明來「幫助你」，或是將你的代碼加速；事實上大多編譯器在調試中會產生大量麻煩；
-
它使 GPU 內核調用之上僅有少量（可解釋的）抽象層，而這恰恰是高性能的保證；
-
也許這是個人偏好，但我得到了與抽象有關的特定 OCD。每當我要做艱巨的工作時都會很緊張，因為一旦我的未來被泄漏，我便能感覺到它那些無法擺脫且難以忍受的痛苦。相對簡單的事情理應在引擎蓋之下發生的大多數情況下，這種感覺尤為強烈；
-
調試更容易，因為特定代碼中會是特定行（而不是在距離使用大型或生成的 Graph 對象的 sess.run（）很遠的地方）失敗。你的堆棧跟蹤不會填滿三個屏幕來讓你玩「找找錯誤在哪里！」的豎版卷軸游戲；
-
不存在編譯時間。我無法理解 Theano 用戶是如何處理的，他們一定更有耐心；
-
你可以直接操作漸變，顯然，做一些事情時可以更容易，也更自然（如在反向傳播過程中的漸變剪輯，或各種「破碎的反向傳播」的有關想法，就像最近的 Shake Shake reg 命令一樣；的確，我認為你可以用 stop_gradient 破解一個解決方案）；
-
它對動態圖的支持從一開始就是自上而下的設計原則，而非隨之而至的事后想法。并且我們會看到更多的動態圖表，如做成一大塊 NLP，或是神經模塊網 ；
-
它沒有縮進或膨脹你的代碼的顯式會話對象；
-
它獲得的抽象是正確的：raw numpy - > Tensors（但 GPU 上的 raw numpy 可能對深度學習一無所知！）- >變量（它們了解深度學習），并且 Modules 或 Optim 等等會稍有益處。
-
動態計算使很多事情更加容易，如 seq2seq + attention 的神經翻譯很難通過 keras + tf 來實現，但使用 PyTorch 便會很容易；
-
更容易調試，因為你可以只使用標準的 PyThon 工具；
-
PyTorch 讓自定義的實現更加容易，所以你得以將更多時間專注于算法中，這樣往往能夠改進主要性能；
-
使 Multi-gpu 簡單易懂；
-
Torch-vision 使加載和變換圖像變得容易。
-
PyTorch 提供了一個強化功能。增強功能基本上不會在實現中產生過多資源消耗，能有一些內置函數來調用 RL 的感覺真棒。
-
我遇到的錯誤或問題得到PyTorch 團隊及時的反映，通常會在當天修復，或者得到解決方法或得到問題跟蹤。
-
PyTorch 是可以立即使用的，在我當前的項目的單 GPU 的訓練時間比 theano+lasagne 快 100%。我測試過，100% 逐字地在 CIFAR100 上從（在最簡單的情況下）5 分/歷元到 2.5 分/歷元，并且在某些情況下降到 2 分鐘/歷元（即，快兩倍）
缺點：
-
PyTorch 的 API感覺有些粗糙，但對它有一些限定詞。如果你只是做一些標準的任務（實現 ResNet 或者 VGG）我認為你不會有問題，但我一直都有一些分歧因為我所做的一切都有些奇怪。
-
對于 PyTorch 我***的「抱怨」基本上是在神經網絡 API 方面「事情并未按照我讓他們組合的方式進行放置」。具體來說，我非常喜歡 Lasagne 的「層次（layers）」范式—但是一點點批判性的思維就會讓你得出這個結論，這個范式尤其不適合動態圖框架。
-
PyTorch 沒有為部署設計，開發團隊它看上去并沒有把重心放在 PyTorch 上（雖然在這方面，我可能看錯了，我模糊的記得我在論壇的帖子上看到過這個）。我想要練習將一些東西放置在網站或者 droid app 上我不確定其他的框架能很好地支持這種方式。
